Zeitreihen-Prognose im Einkauf: So rechnet sich die Einführung
Zeitreihen-Prognose reduziert Fehlmengen und Überbestände. Dieser Artikel zeigt, wie Sie Verbrauchsdaten aufbereiten und den ROI berechnen.
Von Florian Wessling
Warum Einkauf nach Bauchgefühl teurer wird
Jeder Mittelständler kennt die Frage: Wie viel Material muss ich nächsten Monat bestellen? Zu viel bindet Kapital, zu wenig führt zu Produktionsstopps. Die meisten Einkaufsabteilungen orientieren sich an Erfahrung, Durchschnittswerten der letzten Monate oder an sporadischen Rückmeldungen aus der Produktion. Das funktioniert solange stabil, bis sich Saisonalität, Lieferzeiten oder Auftragsvolumen ändern. Dann entstehen Fehlmengen oder Überbestände, die sich sofort in den Kennzahlen niederschlagen.
Zeitreihen-Prognose bedeutet, dass ein Algorithmus historische Verbrauchsdaten nach Mustern analysiert und daraus Vorhersagen für künftige Bedarfe ableitet. Der Algorithmus erkennt Trends, saisonale Schwankungen und Ausreißer systematisch, ohne dass jemand manuell Excel-Tabellen pflegt. Im Mittelstand ist das kein Science-Fiction-Projekt, sondern eine Pipeline aus Datenquelle, Bereinigung, Modell und Ausgabe in die Bestellsysteme.
Was eine Zeitreihen-Prognose im Einkauf leistet
Eine Zeitreihen-Prognose liest Verbrauchsdaten aus Ihrem ERP oder Warenwirtschaftssystem, bereitet sie auf und berechnet für jeden Artikel eine Bedarfsprognose. Technisch läuft das häufig mit Modellen wie ARIMA, Prophet oder einfacheren Glättungsverfahren, je nach Datenqualität und Saisonalität. Wichtig ist nicht der Name des Verfahrens, sondern dass die Pipeline regelmäßig läuft und die Ergebnisse direkt in Ihre Bestellvorschläge einfließen.
Typische Bestandteile einer solchen Pipeline:
- Datenexport: Das ERP liefert täglich oder wöchentlich eine CSV-Datei oder eine API-Abfrage mit Artikelnummer, Datum und verbrauchter Menge.
- Bereinigung: Fehlende Werte, Feiertage und Sondereffekte werden identifiziert und behandelt, damit das Modell nicht auf Ausreißer trainiert.
- Modellierung: Ein Algorithmus berechnet die Prognose für die nächsten Wochen oder Monate.
- Ausgabe: Die Prognose wird als Bestellvorschlag ins ERP geschrieben oder als Excel-Datei an den Einkauf gesendet.
Die Pipeline läuft automatisch, sobald sie einmal konfiguriert ist. Sie brauchen keinen Data Scientist im Team, aber jemanden, der die Ergebnisse regelmäßig prüft und bei größeren Veränderungen im Sortiment oder in der Lieferkette eingreift.
Welche Daten Sie brauchen und wie Sie sie vorbereiten
Zeitreihen-Prognose lebt von sauberen, regelmäßigen Verbrauchsdaten. Sie benötigen mindestens zwölf Monate Verlauf, besser 24 Monate, damit saisonale Muster sichtbar werden. Jede Zeile enthält Artikelnummer, Datum und Verbrauchsmenge. Zusätzlich hilfreich sind Lieferzeiten, Mindestbestellmengen und aktuelle Lagerbestände.
Häufige Stolpersteine in der Vorbereitung:
- Lücken im Verlauf: Wenn an manchen Tagen kein Verbrauch gemeldet wurde, muss die Pipeline entscheiden, ob das Null-Verbrauch war oder ob die Erfassung gefehlt hat.
- Artikelwechsel: Neue Artikelnummern oder umbenannte Artikel haben keinen Verlauf. Hier greift man auf ähnliche Artikel oder auf pauschale Startwerte zurück.
- Sondereffekte: Großaufträge, Produktionsausfälle oder Lieferverzögerungen verzerren die Historie. Diese Ereignisse sollten Sie dokumentieren, damit die Pipeline sie ausklammern oder separat behandeln kann.
Die Bereinigung läuft meist in der Workflow-Plattform oder in einem Python-Skript. Das Ziel ist eine Tabelle, in der jede Zeile ein Datum und genau einen Verbrauchswert hat, ohne Duplikate und ohne unplausible Ausreißer.
Wie Sie das Modell auswählen und trainieren
Für den Mittelstand empfehlen sich Modelle, die wenig Tuning brauchen und nachvollziehbar bleiben. Prophet von Meta ist ein Open-Source-Modell, das Saisonalität und Trends automatisch erkennt und sich gut mit unregelmäßigen Daten verträgt. ARIMA ist ein klassisches statistisches Verfahren, das bei stabilen Zeitreihen zuverlässige Ergebnisse liefert. Für Artikel mit wenig Verlauf oder sehr volatilen Daten genügt oft eine exponentielle Glättung.
Die Wahl hängt von Ihrer Datenqualität ab. Prophet verzeiht fehlende Werte und passt sich an Feiertage an, braucht aber etwas mehr Rechenzeit. ARIMA ist schnell, setzt aber voraus, dass die Zeitreihe stationär ist oder durch Differenzbildung stationär gemacht werden kann. Für viele Artikel reicht ein einfaches gleitendes Mittel mit saisonalem Faktor.
Das Training läuft einmal initial und danach regelmäßig, etwa einmal pro Woche. Die Pipeline teilt die Daten in Trainings- und Testbereich, berechnet die Prognose und vergleicht sie mit den tatsächlichen Verbräuchen der letzten Wochen. Daraus ergibt sich ein Fehlermaß, etwa der mittlere absolute Fehler (MAE). Liegt dieser unter zehn Prozent, ist das für viele Artikel bereits praxistauglich.
Rechenbeispiel: Wie sich die Einführung amortisiert
Angenommen, ein Mittelständler verwaltet 500 C-Teile und bestellt bisher einmal pro Monat auf Basis des Durchschnittsverbrauchs der letzten drei Monate. Die Zeitreihen-Prognose soll Fehlmengen und Überbestände reduzieren. Die Aufwände und Effekte sind beispielhaft:
- Implementierung: 40 Stunden für Datenexport, Pipeline-Konfiguration, Modellanpassung und Tests.
- Laufende Betreuung: zwei Stunden pro Woche für Monitoring, Nachschulungen und Anpassungen, also rund 100 Stunden pro Jahr.
- Fehlmengen: Vor der Einführung führt der pauschale Durchschnitt bei 20 Artikeln pro Jahr zu Lieferverzögerungen, die jeweils drei Tage Produktionsausfall kosten. Bei einem angenommenen Deckungsbeitrag von 2.000 Euro pro Tag entstehen 120.000 Euro Opportunitätskosten.
- Überbestände: Das durchschnittliche Lager bei C-Teilen beträgt 50.000 Euro. Durch genauere Prognosen sinkt es auf 40.000 Euro, was 10.000 Euro gebundenes Kapital freisetzt. Bei einem Zinssatz von vier Prozent spart das 400 Euro Finanzierungskosten pro Jahr.
- Reduktion: Die Prognose halbiert die Fehlmengen auf zehn Fälle, also 60.000 Euro Einsparung. Die Kapitalbindung bleibt bei 400 Euro.
Der Gesamtnutzen läge damit bei 60.400 Euro pro Jahr. Bei einem angenommenen Stundensatz von 100 Euro kosten die 40 Stunden Implementierung 4.000 Euro und die laufende Betreuung 10.000 Euro jährlich. Die Amortisation wäre in weniger als zwei Monaten erreicht.
Diese Zahlen sind Annahmen und hängen stark von Ihrer Sortimentsstruktur, der Qualität der Verbrauchsdaten und der Volatilität Ihrer Aufträge ab. Entscheidend ist, dass Sie die Einsparungen messbar machen, indem Sie Fehlmengen und Lagerreichweite vor und nach der Einführung dokumentieren.
Was häufig schiefgeht und wie Sie gegensteuern
Die größte Falle ist schlechte Datenqualität. Wenn die Verbrauchserfassung im ERP unregelmäßig ist oder Artikel-Stammdaten fehlen, liefert auch das beste Modell keine brauchbaren Prognosen. Prüfen Sie deshalb zuerst, ob die Zeitreihen für Ihre wichtigsten Artikel vollständig und plausibel sind.
Ein zweiter Stolperstein ist mangelndes Vertrauen im Einkauf. Wenn die Kolleginnen und Kollegen die Bestellvorschläge ignorieren, weil sie die Logik nicht nachvollziehen können, bleibt die Pipeline wirkungslos. Starten Sie deshalb mit einer kleinen Pilotgruppe von zehn bis 20 Artikeln, zeigen Sie die Ergebnisse wöchentlich und holen Sie Feedback ein. Erst wenn die Akzeptanz steht, rollen Sie die Pipeline auf das gesamte Sortiment aus.
Ein dritter Fehler ist, die Pipeline einmal zu bauen und nie wieder anzufassen. Sortimente ändern sich, Lieferanten wechseln, und saisonale Muster verschieben sich. Planen Sie feste Review-Termine ein, an denen Sie die Prognose-Güte messen und bei Bedarf Parameter anpassen.
Infrastruktur und Plattformen für die Prognose-Pipeline
Die Zeitreihen-Prognose läuft typischerweise in einer Workflow-Plattform wie n8n, Make oder Zapier, die per Cronjob den Datenexport triggert, ein Python-Skript aufruft und das Ergebnis ins ERP zurückschreibt. Python-Bibliotheken wie Prophet, statsmodels oder scikit-learn liefern die Modelle.
Wer auf Hyperscaler verzichten möchte, hostet n8n selbst und lässt das Skript auf einem eigenen Server laufen. Ein virtueller Server mit vier Kernen und acht Gigabyte RAM genügt für einige hundert Artikel. Die Daten bleiben in Ihrem Rechenzentrum oder bei einem EU-Hoster, Auftragsverarbeitungsverträge sind nur für die Workflow-Plattform nötig, wenn diese als SaaS genutzt wird.
Alternativ können Sie die Prognose in Ihr ERP integrieren, falls dort Module für Bedarfsplanung existieren. Das spart Schnittstellen, ist aber oft unflexibler und teurer als eine selbst gebaute Pipeline.
So starten Sie mit Zeitreihen-Prognose im Einkauf
Wählen Sie eine Artikelgruppe mit hohem Verbrauch und guter Datenlage. Exportieren Sie 24 Monate Verlauf, bereinigen Sie die Daten und trainieren Sie ein Modell. Vergleichen Sie die Prognose mit den tatsächlichen Verbräuchen der letzten Wochen und messen Sie den Fehler. Liegt dieser in einem akzeptablen Rahmen, bauen Sie die Pipeline und lassen Sie sie vier Wochen parallel zur bisherigen Bestellung laufen. Erst wenn die Ergebnisse überzeugen, schalten Sie auf automatische Bestellvorschläge um.
Dokumentieren Sie die Einsparungen, indem Sie Fehlmengen, Lagerreichweite und gebundenes Kapital vor und nach der Einführung festhalten. Das liefert Argumente für die Ausweitung auf weitere Artikelgruppen und zeigt, wo sich Nachschulungen lohnen.
White Fox Automations unterstützt Sie beim Aufbau der Prognose-Pipeline, von der Datenbereinigung über die Modellauswahl bis zur Integration ins ERP. Wenn Sie prüfen möchten, ob sich Zeitreihen-Prognose in Ihrem Einkauf rechnet, nehmen Sie Kontakt auf.
Sprechen Sie mit uns
Sie möchten das in Ihrem Betrieb umsetzen? Wir bauen die passende Maschine mit Ihnen.
Telefon: 040 468 967 680
E-Mail: info@whitefox-automations.com
Oder über unser Kontaktformular.
Wenn Sie das praktisch umsetzen wollen
Auch interessant
- 15. Nov. 2026 7 Min. Lesezeit
Zeitreihen-Prognose hosten: Server und Sicherheit im Mittelstand
Weiterlesen - 18. Okt. 2026 8 Min. Lesezeit
Bedarfsprognose im Einkauf: Zeitreihen mit KI auswerten
Weiterlesen - 14. Nov. 2026 8 Min. Lesezeit
Saisonalität modellieren: Zeitreihen-Prognose im Einkauf
Weiterlesen